Metodologia para classificação de nível de poluição de isoladores com base na medição da corrente de fuga utilizando inteligência artificial.

• Autor(a) principal: SILVA, Nathanael Pereira.
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/27428
• topic: Inteligência artificial; Poluição de isoladores; Corrente de fuga - medição; Isoladores; Mapas de Kohonen; Máquinas de vetor de suporte; Mapas auto-organizáveis - Kohonen e Naive Bayes; Kohonen e Naive Bayes - mapas; Contaminação em isoladores; Naive Bayes; Modelo SVM; Artificial intelligence; Pollution of insulators; Leakage current - measurement; Insulators; Maps of Kohonen; Support vector machines; Self-organizing maps - Kohonen and Naive Bayes; Kohonen and Naive Bayes - maps; Contamination in insulators; Naive Bayes; SVM model; Engenharia Elétrica.

Os isoladores são equipamentos responsáveis por fornecer isolamento elétrico e sustentação mecânica aos condutores, sendo amplamente utilizados nos Sistemas Elétricos de Potência. A confiabilidade e continuidade do sistema dependem que esses equipamentos operem de forma correta. Devido à importância dos isoladores para o sistema elétrico, estudos que desenvolvam técnicas capazes de realizar o diagnóstico/prognóstico desses equipamentos, fazem-se necessários. Este trabalho apresenta uma técnica para classificação ou diagnóstico de isoladores a partir de parâmetros da corrente de fuga. Inicialmente, o banco de dados foi construído, por meio de ensaios elétricos para obtenção da corrente de fuga com isoladores de vidro poluídos artificialmente em cinco diferentes níveis: limpo, muito leve, leve, moderado e pesado. Os parâmetros da corrente de fuga que apresentaram maior correlação com a poluição foram: valor de pico, valor eficaz e a componente harmônica fundamental. Os modelos de classificação utilizados para determinar o nível de poluição, basearam-se em técnicas de inteligência artificial, sendo elas: Máquinas de Vetor de Suporte, Mapas Auto-Organizáveis de Kohonen e Naive Bayes. Indicadores de desempenho foram utilizados para avaliar a confiabilidade de cada uma das técnicas como também realizar uma análise comparativa entre elas. Os indicadores utilizados foram: acurácia, precisão, sensibilidade, f1-score e matriz de confusão. Verificou-se que os modelos de classificação apresentaram ótimos resultados, principalmente o algoritmo baseado em aprendizado não supervisionado, Mapas de Kohonen. Com isso, obteve-se um modelo de classificação com desempenho satisfatório que pode ser utilizado em um sistema de monitoramento e diagnóstico de isoladores capaz de auxiliar nos processos de tomada de decisão relacionados ao gerenciamento de ativos.